[发明专利]一种基于递归神经网络的路网状态预测方法

权利要求书

1.一种基于递归神经网络的路网状态预测方法，其特征在于，所述方法包括以下步骤：

步骤一、建立样本集

选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，

因此，单个样本为[(V_j-2,V_j-1,V_j),(V_j+1)]其展开形式为：

整个样本集为所有时间段样本的集合；

步骤二、递归神经网络建模

首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；

其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；

最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层；通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x_t，h_t-1，c_t-1，输出包括h_t，c_t；他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：

其中i_t,f_t,o_t分别代输入门、遗忘门和输出门的输出，w_·,b_·分别是系数矩阵和偏置向量，“.”是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻隐藏层的记忆单元的输出，h_t-1是在t-1时刻隐藏层的输出，是在t时刻隐藏层的输出；

隐藏层之间的权重矩阵W是一个[k,z]矩阵，z为隐藏层单元个数，k为路段的数量；连接输入层和隐藏层之间的权值矩阵U是一个[z,z]矩阵；连接隐藏与输出层之间的输出矩阵V是一个[z,k]矩阵；隐藏层和输出层的关系为：

Y_j+1＝HV+b_y

其中，H＝[h₁,h₂,……h_z]，h_z是z时刻的隐藏层单元的输出值,所述b_y是连接隐藏层和输出层的偏置函数Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]；

得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用损失函数对各个参数求导，计算其梯度；所述的递归神经网络的训练时采用批量梯度下降法学习模型参数，模型参数包括所有的权重矩阵和偏置向量；

步骤三、下一时刻路网状态预测

将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该输出向量就是所预测的下一个时间段的路网状态。

2.根据权利要求1所述的方法，其特征在于，所述平均速度的计算方法是：

在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，m代表路网中的第m个路段，m∈(1,2,…,k)，j是时间段编号，s代表该第m个路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度；

若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即

v_m,j＝v_m,j-1；

计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，V_j＝[v_1,j,v_2,j,…,v_k,j]。